[ blog · use-case ]9 min read

Como construir um agente de due diligence sobre filings da SEC (10-K, 10-Q, 8-K, resultados)

Sarah Choy·Publicado em 3 de maio de 2026·9 min de leitura

Ler um 10-K é basicamente Ctrl+F. Fazer isso para cinquenta empresas é um trabalho. Substitua os 80% chatos por um agente de busca-e-extração contra a SEC EDGAR — e preserve os 20% que importam para o analista humano.

TL;DR

• •Arquitetura: lookup de ticker → SEC Filings Search (filings + resultados + estatísticas de equity) → URL Extract para os trechos longos → resposta do LLM com citações em nível de seção.
• •Teto de custo: o SEC Filings Search custa 120 créditos por chamada (≈US$ 0,12); uma revisão típica de empresa com 3 perguntas custa ~US$ 0,40 em créditos + ~US$ 0,05 em tokens de LLM.
• •No que o agente acerta: lookups factuais (receita por segmento, tendência de capex, governança, mudanças ano a ano nos fatores de risco), resumos de remuneração de executivos, eventos recentes de 8-K.
• •O que ainda precisa de um humano: julgamentos sobre a qualidade do management, posicionamento de mercado, questões específicas da operação, qualquer coisa fora da linguagem do filing.

Por que vale a pena automatizar isso

Uma primeira leitura de due diligence sobre uma empresa de capital aberto é, em sua maior parte, mecânica: trazer o último 10-K, percorrer os fatores de risco e o MD&A, revisar os 8-K recentes, dar uma olhada na earnings call mais recente. Um analista de nível associate gasta de 2 a 4 horas nisso por empresa. O resultado raramente é um insight profundo — é um padrão estruturado de fatos sobre o qual outra pessoa, mais sênior, depois raciocina.

Esse passo do "padrão de fatos" é exatamente o que um pequeno agente pode assumir. Busque na SEC, extraia os trechos relevantes, resuma com citações. A pessoa sênior continua fazendo o raciocínio — mas parte de uma leitura de 5 minutos em vez de uma de 4 horas.

Três coisas tornam isso prático agora:

• A busca semântica sobre filings permite perguntar 'como a receita por segmento mudou' e receber de volta o parágrafo certo do formulário certo, em vez de ler 200 páginas.
• Os LLMs de contexto longo conseguem manter um 10-K completo mais alguns 8-K na memória de trabalho e responder a perguntas que cruzam documentos.
• A disciplina de citação no prompt torna a saída verificável em segundos — exatamente o que os fluxos de compliance e revisão exigem.

Arquitetura

question + ticker
       │
       ├─ /api/company/facts (2 credits)
       │  ↳ confirm ticker, get CIK and sector
       │
       ├─ /api/search/sec (120 credits)
       │  ↳ semantic search across 10-K/10-Q/8-K/earnings/equity stats
       │
       ├─ /api/extract (2 credits per URL)
       │  ↳ pull full text of the top 3-5 most relevant filings
       │
       └─ Claude / GPT-4 with citation-required prompt
          ↳ "answer + [Form, Fiscal Period, Section]"

Custo de uma única pergunta: ~130 créditos (~US$ 0,13) de API + ~US$ 0,03 de LLM. Uma revisão de empresa com três perguntas (tendência financeira, diff de fatores de risco, eventos materiais recentes) fica em ~US$ 0,45–US$ 0,60. Comparado a uma hora de analista a qualquer taxa de faturamento razoável, a conta é óbvia.

O system prompt que vale o salário

O fator que mais determina a qualidade da saída em RAG financeiro é, de longe, o system prompt. O que usamos:

You are a financial research assistant for an investment team. You answer
questions about US public companies using SEC filings, earnings call
transcripts, and equity statistics retrieved by your tools.

Rules — non-negotiable:

1. Cite every numeric claim with: [Form, Fiscal Period, Section]. Example:
   "Operating income rose 12% YoY to $4.1B [10-K FY2025, Item 7 MD&A]."

2. Quote numbers verbatim. Do not round, paraphrase, or convert. If a
   filing says "$4,127M", do not say "$4.1B" unless the filing itself does.

3. If the answer requires content you have not extracted, say so:
   "I could not retrieve the FY2024 10-K for the segment-level breakdown.
   Please re-run with that filing in scope."

4. Do not infer from training-data knowledge. If your tools didn't return
   it, you don't know it.

5. Default to the most recent fiscal period available. State the period
   you used.

6. Format multi-figure answers as a small markdown table with one column
   per fiscal period. Always end with a one-line "How I read this" summary.

Tone: precise, terse, no marketing language.

As regras 1, 2 e 4 juntas eliminam ~90% dos problemas de fabricação que medimos. A regra 3 (o "não sei" elegante) é o que separa isso de um chatbot que inventa números com toda a confiança.

Consultas de exemplo que o agente resolve com limpeza

• 'Compare a tendência da receita de serviços da Apple ao longo dos últimos 5 exercícios fiscais.' → puxa dos 10-K relevantes, devolve uma tabela com citações ao MD&A.
• 'O que mudou nos fatores de risco da NVIDIA entre o FY2023 e o FY2025?' → diff entre documentos, citando o Item 1A em cada formulário.
• 'Resuma os últimos 4 8-K de $TICKER.' → busca semântica filtrada para 8-K, ordenada por data de filing.
• 'O que o CFO da Microsoft disse sobre o capex em IA na última earnings call?' → busca nas transcrições, extrai o trecho de Q&A relevante, cita literalmente.

Onde ele fica aquém — e o handoff correto para o humano

O agente tropeça em três lugares previsíveis:

• Julgamentos sobre a qualidade do management. O filing diz o que eles fizeram, não se são capazes. Não pergunte ao agente.
• Comparáveis da indústria fora do filing. Se a pergunta é 'como esta margem bruta se compara à dos peers', o agente só conhece o que está nos filings buscados. Para comparar com peers você precisa de um dataset à parte ou de rodar o agente uma vez por empresa e agregar.
• Comentários prospectivos. Os filings contêm forward-looking statements, mas o modelo os toma ao pé da letra a menos que seja instruído do contrário. Acrescente ao prompt: 'Sinalize explicitamente os forward-looking statements. Não apresente o guidance como fato.'

O build mínimo viável

Aplica-se o mesmo padrão de loop de tool-use do Claude do tutorial do agente de research — só mudam as ferramentas e o system prompt:

from anthropic import Anthropic
import requests

KEY = "pk_yourkey"
client = Anthropic()

def fetch_tool(path: str) -> dict:
    return requests.get(f"https://www.apipick.com{path}/tool-schema").json()["claude"]

TOOLS = [
    fetch_tool("/api/search/sec"),
    fetch_tool("/api/extract"),
    fetch_tool("/api/company/facts"),
]

def call_tool(block):
    name_to_path = {
        "sec_search": "/api/search/sec",
        "extract_urls": "/api/extract",
        "company_facts": "/api/company/facts",
    }
    path = name_to_path[block.name]
    method = "GET" if block.name == "company_facts" else "POST"
    if method == "GET":
        resp = requests.get(
            f"https://www.apipick.com{path}",
            params=block.input,
            headers={"x-api-key": KEY},
            timeout=30,
        )
    else:
        resp = requests.post(
            f"https://www.apipick.com{path}",
            json=block.input,
            headers={"x-api-key": KEY},
            timeout=30,
        )
    return {
        "type": "tool_result",
        "tool_use_id": block.id,
        "content": resp.text,
        "is_error": resp.status_code != 200,
    }

def due_dil(question: str) -> str:
    messages = [{"role": "user", "content": question}]
    while True:
        r = client.messages.create(
            model="claude-sonnet-4-6",
            max_tokens=2048,
            system=SYSTEM_PROMPT,  # the one above
            tools=TOOLS,
            messages=messages,
        )
        messages.append({"role": "assistant", "content": r.content})
        if r.stop_reason == "end_turn":
            return "\n".join(b.text for b in r.content if b.type == "text")
        if r.stop_reason == "tool_use":
            results = [call_tool(b) for b in r.content if b.type == "tool_use"]
            messages.append({"role": "user", "content": results})

print(due_dil("Compare Snowflake's product revenue YoY for the last 4 quarters."))

Para onde levar isso depois

• Templates para revisões repetíveis. Envolva o agente numa pequena CLI que recebe um ticker e emite um brief em markdown de formato fixo: 'Últimos 8-K', 'Tendência de receita por segmento', 'Delta de fatores de risco'. Mesmo agente, prompts roteirizados.
• Modo watchlist. Rode o agente contra um ticker toda manhã e faça um diff da resposta de hoje contra a de ontem. Traga à tona apenas os deltas. Combina bem com o padrão de briefing matinal.
• Combine com patentes e mercados de previsão. Para nomes de tech / biotech, acrescente Patent Search para as mudanças de IP e Prediction Markets para os desfechos implícitos pela multidão (p. ex. a probabilidade de aprovação de um medicamento).

O padrão generaliza. A SEC é o corpus mais denso e schema-friendly que servimos — mas o loop ('busca semântica → extração de URL → resposta com citações') se aplica a qualquer corpus de documentos estruturados que importe a você: filings jurídicos, abstracts científicos, reivindicações de patentes. Construa primeiro o agente de diligence e depois porte a arquitetura para o lado.

Escrito por

Sarah Choy

CEO, API Pick

Sarah Choy é a CEO da API Pick. Ela escreve sobre a construção de APIs prontas para produção para agentes de IA e fluxos de trabalho com LLMs.